基于目标检测的轮胎病象识别方法研究
庞善臣1 常琳1,2

1中国石油大学（华东） 青岛软件学院 计算机科学与技术学院 山东省智能油气工业软件重点实验室，山东青岛，266580；

2赛轮集团股份有限公司，山东青岛，266045；

摘要：目标检测是计算机视觉中的关键技术，旨在识别并定位图像中的特定对象。在轮胎表面病象检测中，传统方法因病象特征与正常纹理高度相似而难以准确区分。为提升多尺度特征提取能力，本研究在特征融合网络中加入了双向特征金字塔（Bi-FPN）。Bi-FPN能传递高层次语义信息，增强低层次的空间细节，促进多层次特征之间的双向信息流动，确保模型能够有效捕捉全局和局部的病象特征。实验结果表明，该算法在真实轮胎数据集上展示了出色的泛化能力和鲁棒性，准确识别轮胎病象。这证明了研究方案的有效性和工业应用潜力，显著提升了轮胎表面病象识别的准确性，推动了相关领域的技术进步。

关键词：信息技术；病象识别；YOLOv11；轮胎外观；双向特征金字塔模块

参考文献

[1]马晓婧.基于轮胎对汽车使用性能的影响研究[J].现代制造技术与装备,2019(6):113-114.

[2]李杨.基于机器视觉的轮胎缺陷检测技术研究[J].汽车知识,2024,24(2):112-114.

[3]Qiang G,Caiming Z,Hui L,et al.Defect Detection in Tire X-Ray Images Using Weighted Texture Dissimilarity[J].Journal of Sensors,2016,2016 1-12.

[4]姚若禹,郑世玲,史怡璇,等.基于改进YOLOv8n的钢材表面缺陷检测算法[J/OL].聊城大学学报(自然科学版).

[5]常琳凯,马继东,张昊,等.基于改进YOLOv8的木材表面缺陷检测研究[J].林业工程学报,2024:1-12.

[6]Wang Y,Zhang K,Wang L,et al.An Improved YOLOv8 Algorithm for Rail Surface Defect Detection[J].IEEE Access,2024.

[7]顾海军,陈胜.一种基于深度学习的轮胎缺陷检测系统[J].计算机与数字工程,2022,50(7):1463-1467.

[8]Martin A,Tosunoglu S.IMAGE PROCESSING TECHNIQUES FOR MACHINE VISION[J].Miami,Florida,2000:1-9.